Structured-Li-GS：结合LiDAR与空间约束的结构化3D高斯泼溅
本研究提出Structured-Li-GS，一种融合LiDAR-惯性-视觉SLAM的轻量级3D高斯泼溅框架。通过训练精确密集的彩色点云，该方法以更少的高斯原语实现高质量3D重建，无需高斯稠密化，并采用多种损失函数引导。实验表明，在基准数据集和自有数据集上，该方法以中等模型尺寸超越现有技术。
在三维重建领域，如何高效且高质量地从传感器数据中恢复场景几何与外观一直是研究热点。近日，来自中国的研究团队在arXiv上提交了一篇题为“Structured-Li-GS: Structured 3D Gaussians Splatting with LiDAR Incorporation and Spatial Constraints”的论文，提出了一种名为Structured-Li-GS的新框架，该框架创新性地将LiDAR（光检测与测距）数据与3D高斯泼溅（3DGS）技术深度融合，旨在实现更轻量级、更精确的三维重建。该成果已被2026年ISPRS大会接收，并于2026年6月25日发布预印本。
Structured-Li-GS的核心思想是利用LiDAR-惯性-视觉SLAM系统所产生的精确、密集且带有颜色信息的点云来指导高斯泼溅的过程。与传统的3DGS方法不同，Structured-Li-GS并非随机初始化高斯原语，而是通过对点云进行子采样，将高斯原语锚定在这些子采样点上，并利用局部表面几何信息（如法向量和曲率）来初始化高斯椭球体的参数（包括位置、协方差和不透明度）。这种结构化初始化方法有效减少了所需高斯原语的数量，从而降低了模型复杂度。
在训练阶段，Structured-Li-GS采用了一种综合损失函数策略，包括光度损失（衡量渲染图像与真实图像的差异）、扁平化损失（促使高斯原语贴合表面）、偏移损失（约束高斯中心在表面附近）、深度损失（利用LiDAR深度信息）和法线损失（引导高斯法线与表面法线一致）。通过这些损失的联合优化，模型能够在不进行高斯稠密化的情况下实现高质量重建，同时生成具有真实尺度和高保真度的结果，且模型尺寸适中。
为了验证方法的有效性，研究团队自行开发了一款硬件同步的LiDAR-相机手持扫描仪，用于采集真实世界的室内外场景数据。在多个公开基准数据集以及自建数据集上的实验结果表明，Structured-Li-GS在重建质量（如PSNR、SSIM、LPIPS等指标）上超越了当前最先进的方法，同时使用了更少的高斯原语。这一成果为实时或近实时的三维重建应用（如自动驾驶、机器人导航、增强现实等）提供了新的可能性。